汽车雷达多径场景下幽灵目标检测技术解析
摘要
共置 MIMO 技术因能以较少天线实现高精度角度估计，在汽车雷达中应用广泛。然而，多径反射会导致发射方向（DOD）与到达方向（DOA）不一致，进而产生幽灵目标或角度估计偏差。本文针对这一问题，将幽灵检测建模为复合假设检验问题：H0 假设仅含直接路径，H1 假设包含间接路径。我们基于广义似然比检验（GLRT）设计检测器，推导了理论性能闭式解，并提出凸波形优化方法以提升性能。实际应用中，利用稀疏增强压缩感知（CS）结合 Levenberg-Marquardt（LM）优化在连续域估计角度参数。
1. 引言
随着自动驾驶对安全性的要求提升，汽车雷达需求激增。共置 MIMO 系统虽优势明显，但多径效应是主要挑战。信号经障碍物多次反射后，部分间接路径的 DOD 不等于 DOA，破坏了 MIMO 阵列的相干性假设。这可能导致经典算法失效，出现幽灵目标。现有研究多利用延迟 - 多普勒域的几何关系或多普勒分布特征，也有通过波形设计抑制幽灵的方法。本文则从检测理论出发，提供了一套完整的解决方案。
2. 信号模型与问题形式化
主流汽车雷达采用 FMCW 序列配合共置 MIMO 技术。考虑一个拥有 MT 个发射天线和 MR 个接收天线的系统，接收信号经 FFT 处理后得到延迟 - 多普勒轮廓。在多径场景下，回波包含直接路径和一阶间接路径。高阶路径因衰减通常忽略。
图 1 描述： 展示了直接路径与一阶路径的区别。直接路径 DOD 等于 DOA；一阶路径涉及反射器反弹，导致角度不匹配。
数学上，观测向量 y(l) 可建模为直接路径项、一阶路径项及噪声之和。其中 αk 为直接路径复振幅，βk,1/βk,2 为一阶路径复振幅，θk 为直接路径角度，ϑk/ϕk 为一阶路径的 DOD/DOA。导向矢量 aT(·) 和 aR(·) 分别对应发射和接收阵列响应。
经过匹配滤波和向量化后，虚拟 MIMO 阵列信号模型可表示为 z = (Rx ⊗ IMR)A(Θ,Φ)β + r，其中 Rx 为发射信号协方差矩阵，A 为响应矩阵。
3. 多径检测
3.1 GLRT 检测器
幽灵检测本质是区分 H0（仅直接路径）与 H1（含间接路径）。在已知矩阵的情况下，构建二元假设检验。由于噪声服从复高斯分布，通过白化变换后，GLRT 统计量 TGLRT 为投影范数之比。若超过阈值 λG，则判定存在幽灵目标。
3.2 性能界限与波形优化
在 H0 下，测试统计量服从 Fisher-Snedecor 分布。由此可推导虚警概率 Pfa 和检测概率 Pd 的闭式表达式。仿真显示，随着一阶路径数量 K1 增加，给定阈值下的虚警概率降低，因为假设间可区分性增强。
此外，波形优化可显著提升低信噪比下的检测性能。该问题被形式化为半定规划（SDP），可通过凸优化求解，约束包括发射功率归一化和波形相关性限制。
4. 多径角度估计
由于实际场景中 A(Θ) 未知，需开发估计方法。
4.1 H0 假设下的估计器
采用迭代过程。初始化残差为空集，每次迭代插入一条路径并最小化残差范数。初始粗估后，使用 Gauss-Newton (GN) 迭代优化。但在角度差异较小时，GN 易收敛失败，此时引入 Levenberg-Marquardt (LM) 正则化项能增强鲁棒性。
4.2 H1 假设下的估计器
扩展至同时估计直接路径和一阶路径。为避免干扰，分步进行。一阶路径对通过双网格搜索获得粗略估计，随后同样采用 LM 方法更新，以应对 Hessian 矩阵秩缺陷导致的数值不稳定。
5. 仿真与实验结果
5.1 仿真设置
工作频率 79 GHz，MT=6, MR=8。对比均匀线性阵列（ULA）与稀疏线性阵列（SLA）。噪声为高斯分布，路径幅度随机生成。角度空间离散化为 2° 步长。
图 5 描述： 对比 ULA 与 SLA 布局。ULA 间隔均匀，SLA 稀疏以增加孔径但引入栅瓣。
5.2 估计性能
评估均方根误差（RMSE）。结果表明，提出的 CSCD 方法优于 OMP、IAA 和 LASSO 等基于网格的方法，尤其在高信噪比下，得益于连续域优化避免了网格失配。
图 6 描述： 展示不同配置下的 RMSE 曲线，CSCD 方法表现最佳。
5.3 检测性能
比较不同方法在 ULA 和 SLA 下的检测概率。ULA 旁瓣较低，性能接近理论界；SLA 旁瓣较高，性能略有下降。所提 GLRT-CSCD 显著优于其他变体。
图 8 描述： 检测概率随信噪比变化曲线，验证了算法有效性。
